CN116992270A - 一种基于数据处理的壁挂储能电源运行监测方法 - Google Patents
一种基于数据处理的壁挂储能电源运行监测方法 Download PDFInfo
- Publication number
- CN116992270A CN116992270A CN202311244722.7A CN202311244722A CN116992270A CN 116992270 A CN116992270 A CN 116992270A CN 202311244722 A CN202311244722 A CN 202311244722A CN 116992270 A CN116992270 A CN 116992270A
- Authority
- CN
- China
- Prior art keywords
- target
- component
- imf
- wavelet
- inflection point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 title claims abstract description 35
- 230000003044 adaptive effect Effects 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims description 75
- 238000012937 correction Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 238000007476 Maximum Likelihood Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000000354 decomposition reaction Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/40—Testing power supplies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
- G06F18/21347—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis using domain transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于数据处理的壁挂储能电源运行监测方法,包括:采集壁挂储能电源的壁挂储能电流数据序列;对壁挂储能电流数据序列进行分解得到若干IMF分量以及小波分量;根据IMF分量得到第一极大拐点以及第一极小拐点;根据第一极大拐点以及第一极小拐点得到目标极大可能性以及目标极小可能性,从而得到第一目标拐点以及第二目标拐点,进而得到特征值;根据IMF分量、小波分量以及特征值得到IMF参考分量以及小波参考分量,从而得到电流噪声程度;根据电流噪声程度得到自适应电流小波阈值,从而进行自适应去噪以及异常监测。本发明提高了去噪效率,使异常监测结果更加准确。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于数据处理的壁挂储能电源运行监测方法。
背景技术
壁挂储能电源是一种安装在墙壁上或者固定在支架上的储能设备,用于存储电能并为家庭或者商业用途提供电力供应。壁挂储能电源的工作原理是通过充电将电能存储在电池组中,并在负荷需求高峰或电网断电时将储存的电能释放出来,使用户在夜间或电网停电时仍然能获得稳定的电力供应。为了保证壁挂储能电源在工作时不被过度损坏,需要对壁挂储能电源的运行状态进行监测。现有方法主要通过监测壁挂储能电源工作时的电流变化与温度变化,进行保护措施:若电池组的工作电流出现异常,例如超载或者过度充放电时,异常的工作电流会引起电池组内温度的急剧变化,而电池组温度过高会对设备造成不可逆的损害,对电流进行监测,通过设定保护机制,当异常触发该机制时,壁挂储能电源立即切断电源进入保护状态,从而避免设备的过度损坏;在监测壁挂储能电源工作时的电流数据的分析过程中,由于电流数据会受到周围环境、设备等影响而产生一些噪声;这些噪声的存在可能影响异常判定结果的准确性,因此需要对电流数据进行去噪处理,从而提高异常判定结果的准确性。
现有技术通常通过EMD算法将电流数据分解为多个IMF分量,通过各个IMF分量信息进行小波阈值去噪,从而提取有用的电流变化信息;而在进行小波阈值去噪的过程中,由于每个IMF分量所含噪声量不同,传统的小波阈值去噪无法依据电流数据的特征进行自适应去噪。
发明内容
本发明提供一种基于数据处理的壁挂储能电源运行监测方法,以解决现有的问题:在对每个IMF分量进行小波阈值去噪的过程中,由于每个IMF分量所含噪声量不同,小波阈值去噪无法依据电流数据的特征进行自适应去噪。
本发明的一种基于数据处理的壁挂储能电源运行监测方法采用如下技术方案:
本发明一个实施例提供了一种基于数据处理的壁挂储能电源运行监测方法,该方法包括以下步骤:
采集壁挂储能电源的壁挂储能电流数据序列;
对壁挂储能电流数据序列进行分解得到若干IMF分量;根据IMF分量得到每个IMF分量的IMF变化曲线;根据IMF变化曲线得到若干第一极大拐点以及若干第一极小拐点;根据第一极大拐点的距离差异得到每个第一极大拐点的目标极大可能性;根据目标极大可能性得到若干第一目标拐点;根据第一极小拐点的距离差异得到每个第一极小拐点的目标极小可能性;根据目标极小可能性得到若干第二目标拐点;
根据第一目标拐点与第二目标拐点得到每个IMF分量的目标拐点对;根据目标拐点对得到每个IMF分量的特征值;对壁挂储能电流数据序列进行变换分解得到若干小波分量,获取每个小波分量的变化曲线、拐点对及特征值;根据IMF分量与小波分量得到IMF参考分量以及小波参考分量;根据IMF分量的特征值与IMF参考分量的特征值得到每个IMF分量的电流噪声程度;获取小波参考分量的特征值以及每个小波分量的特征值;根据小波分量的特征值与小波参考分量的特征值得到每个小波分量的电流噪声程度;
根据小波分量的电流噪声程度与IMF分量的电流噪声程度得到每个小波分量的电流噪声校正值;根据电流噪声校正值得到每个小波分量的自适应电流小波阈值;根据自适应电流小波阈值进行自适应去噪,进行异常监测。
优选的,所述根据第一极大拐点的距离差异得到每个第一极大拐点的目标极大可能性,包括的具体方法为:
将任意一个第一极大拐点记为目标第一极大拐点,将目标第一极大拐点之前一半预设拐点范围个第一极大拐点与目标第一极大拐点之后一半预设拐点范围个第一极大拐点,记为目标第一极大拐点的第二极大拐点;
在目标第一极大拐点的所有第二极大拐点中,获取前后相邻两个的第一极大拐点之间横坐标的欧式距离,记为第一极大拐点的第一欧式距离;
;
式中,表示目标第一极大拐点的目标极大可能性;/>表示目标第一极大拐点的所有第一欧式距离的均值;/>表示在目标第一极大拐点所属的IMF变化曲线中,所有相邻第一极大拐点之间欧式距离的数量,所述相邻第一极大拐点之间欧式距离的计算方法为计算相邻两个第一极大拐点横坐标之间的欧式距离;/>表示在目标第一极大拐点所属的IMF变化曲线中,第/>个相邻第一极大拐点之间的欧式距离;/>表示目标第一极大拐点的所有第一欧式距离的最大值;/>表示目标第一极大拐点的所有第一欧式距离的最小值;/>表示目标第一极大拐点的幅值;
获取每个第一极大拐点的目标极大可能性。
优选的,所述根据第一极小拐点的距离差异得到每个第一极小拐点的目标极小可能性,包括的具体方法为:
将任意一个第一极小拐点记为目标第一极小拐点,将目标第一极小拐点之前一半预设拐点范围个第一极小拐点与目标第一极小拐点之后一半预设拐点范围个第一极小拐点,记为目标第一极小拐点的第二极小拐点;
在目标第一极小拐点的所有第二极小拐点中,获取前后相邻两个的第一极小拐点之间横坐标的欧式距离,记为第一极小拐点的第二欧式距离;
;
式中,表示目标第一极小拐点的目标极小可能性;/>表示目标第一极小拐点的所有第二欧式距离的均值;/>表示在目标第一极小拐点所属的IMF变化曲线中,所有相邻第一极小拐点之间欧式距离的数量,所述相邻第一极小拐点之间欧式距离的计算方法为计算相邻两个第一极小拐点横坐标之间的欧式距离;/>表示在目标第一极小拐点所属的IMF变化曲线中,第/>个相邻第一极小拐点之间的欧式距离;/>表示目标第一极小拐点的所有第二欧式距离的最大值;/>表示目标第一极小拐点的所有第二欧式距离的最小值;/>表示目标第一极小拐点的幅值;
获取每个第一极小拐点的目标极小可能性。
优选的,所述根据第一目标拐点与第二目标拐点得到每个IMF分量的目标拐点对,包括的具体方法为:
对于任意一个IMF分量,将IMF分量的IMF变化曲线上的第一目标拐点与第二目标拐点,共同记为目标拐点;将前后相邻两个的目标拐点记为IMF分量的IMF变化曲线的目标拐点对;将目标拐点对内的两个目标拐点幅值的差值的绝对值记为目标拐点对的幅值绝对值;
获取每个IMF分量的IMF变化曲线的所有目标拐点对。
优选的,所述根据目标拐点对得到每个IMF分量的特征值,包括的具体方法为:
;
将任意一个IMF分量记为目标IMF分量,式中,表示目标IMF分量的特征值;/>表示在目标IMF分量的IMF变化曲线上,所有第一目标拐点的幅值的均值;/>表示在目标IMF分量的IMF变化曲线上,所有第二目标拐点的幅值的均值;/>表示目标IMF分量的IMF变化曲线中目标拐点对的数量;/>表示在目标IMF分量的IMF变化曲线上,第/>个目标拐点对的幅值绝对值。
优选的,所述根据IMF分量与小波分量得到IMF参考分量以及小波参考分量,包括的具体方法为:
将任意一个IMF分量记为目标IMF分量,将目标IMF分量的特征值与每个小波分量特征值的差值的绝对值记为目标IMF分量的第一差值;获取目标IMF分量的所有第一差值;在目标IMF分量的所有第一差值中,将最小的第一差值对应的小波分量记为目标IMF分量的匹配小波分量,并将目标第一差值记为目标IMF分量与匹配小波分量的第二差值;获取每个IMF分量的匹配小波分量以及对应的第二差值;将第二差值最小对应的IMF分量记为所有IMF分量的IMF参考分量;将第二差值最小对应的小波分量记为所有小波分量的小波参考分量;
将任意一个小波分量记为目标小波分量,将与目标小波分量的所有第一差值中最小的IMF分量记为目标小波分量的IMF匹配分量,获取每个小波分量的IMF匹配分量。
优选的,所述根据IMF分量的特征值与IMF参考分量的特征值得到每个IMF分量的电流噪声程度,包括的具体方法为:
;
将任意一个IMF分量记为目标IMF分量,式中,表示目标IMF分量的电流噪声程度;表示目标IMF分量与IMF参考分量的皮尔逊相关系数;/>表示目标IMF分量的特征值;/>表示IMF参考分量的特征值;
获取每个IMF分量的电流噪声程度。
优选的,所述根据小波分量的特征值与小波参考分量的特征值得到每个小波分量的电流噪声程度,包括的具体方法为:
;
将任意一个小波分量记为目标小波分量,式中,表示目标小波分量的电流噪声程度;/>表示目标小波分量与小波参考分量的皮尔逊相关系数;/>表示目标小波分量的特征值;/>表示小波参考分量的特征值;
获取每个小波分量的电流噪声程度。
优选的,所述根据小波分量的电流噪声程度与IMF分量的电流噪声程度得到每个小波分量的电流噪声校正值,包括的具体方法为:
;
将任意一个小波分量记为目标小波分量,式中,表示目标小波分量的电流噪声校正值;/>表示目标小波分量的IMF匹配分量的IMF变化曲线中目标拐点对的数量;/>表示在目标小波分量的IMF匹配分量的IMF变化曲线上,第/>个目标拐点对的幅值绝对值;/>表示目标小波分量的变化曲线中目标拐点对的数量;/>表示在目标小波分量的变化曲线上,第/>个目标拐点对的幅值绝对值;/>表示目标小波分量对应的IMF分量的电流噪声程度;表示目标小波分量的电流噪声程度。
优选的,所述根据电流噪声校正值得到每个小波分量的自适应电流小波阈值;根据自适应电流小波阈值进行自适应去噪,进行异常监测,包括的具体方法为:
;
将任意一个小波分量记为目标小波分量,式中,表示目标小波分量的自适应电流小波阈值;/>表示目标小波分量的电流噪声校正值;/>表示初始小波阈值;
对每个小波分量的自适应电流小波阈值进行小波变换,得到若干去噪后的小波分量;将所有去噪后的小波分量进行合成重构得到去噪后的壁挂储能电流数据序列;将去噪后的壁挂储能电流数据序列输入异常监测系统中,并以10秒进行一次更新,实时更新得到最新的壁挂储能电流数据序列,进行异常监测以及异常处理。
本发明的技术方案的有益效果是:通过对壁挂储能电流数据序列分别进行EMD算法与小波变换分解,得到若干IMF分量与小波分量;分别对IMF分量与小波分量进行曲线拐点分析,分别得到IMF分量的特征值与小波分量的特征值;分别对IMF分量与小波分量作差分析,得到IMF参考分量与小波参考分量;根据IMF分量与IMF参考分量得到IMF分量的电流噪声程度;根据小波分量与小波参考分量得到小波分量的电流噪声程度;根据小波分量的电流噪声程度与IMF分量的电流噪声程度得到每个小波分量的自适应电流小波阈值,从而进行自适应去噪;相较于现有技术在对每个IMF分量进行小波阈值去噪的过程中,由于每个IMF分量所含噪声量不同,小波阈值去噪无法依据电流数据的特征进行自适应去噪;提高了去噪效率,使异常监测结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于数据处理的壁挂储能电源运行监测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于数据处理的壁挂储能电源运行监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于数据处理的壁挂储能电源运行监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于数据处理的壁挂储能电源运行监测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集壁挂储能电源的壁挂储能电流数据。
需要说明的是,现有技术通常通过EMD算法将电流数据分解为多个IMF分量,通过各个IMF分量信息进行小波阈值去噪,从而提取有用的电流变化信息;而在进行小波阈值去噪的过程中,由于每个IMF分量所含噪声量不同,传统的小波阈值去噪无法依据壁挂储能电源的电流数据特征进行自适应去噪;为了解决这一问题,本实施例提出了一种基于数据处理的壁挂储能电源运行监测方法。
具体的,为了实现本实施例提出的一种基于数据处理的壁挂储能电源运行监测方法,首先需要采集壁挂储能电源的电流数据,具体过程为:使用接触式的电流传感器对壁挂储能电源每隔1秒采集一次数据,共采集3小时。将每次采集的数据传输到信号接收器进行显示,将每次显示的数据记为壁挂储能电源的壁挂储能电流数据;获取所有壁挂储能电流数据,将壁挂储能电流数据按照采集时间从早到晚的顺序构成的序列记为壁挂储能电流数据序列。其中壁挂储能电流数据序列包含多个壁挂储能电流数据,每个壁挂储能电流数据对应一个采集时间。
至此,通过上述方法得到壁挂储能电流数据序列。
步骤S002:对壁挂储能电流数据序列进行EMD分解得到若干IMF分量;根据IMF分量进行曲线分析得到若干第一极大拐点以及若干第一极小拐点;根据第一极大拐点得到目标极大可能性;根据目标极大可能性得到若干第一目标拐点;根据第一极小拐点得到目标极小可能性;根据目标极小可能性得到若干第二目标拐点。
需要说明的是,在EMD算法将壁挂储能电流数据分解为多个IMF分量后,每个IMF分量之间存在不同程度电流信号特征以及不同程度的噪声;对于任意两个IMF分量,若这两个IMF分量受到噪声影响的程度越低,说明这两个IMF分量的电流信号特征越相近,反映这两个IMF分量中存在的特征相近的分量信号越多,从而反映这两个IMF分量越能大致体现出壁挂储能电流数据的部分电流特征;若这两个IMF分量受到噪声影响的程度越高,说明这两个IMF分量的电流信号特征越不相近,反映这两个IMF分量中存在的特征相近的分量信号越少,从而反映这两个IMF分量越不能大致体现出壁挂储能电流数据的部分电流特征;因此,可以根据这两个IMF分量中存在的特征相近的分量信号数量,得到这两个IMF分量的电流噪声程度,从而得到每个IMF分量的电流噪声程度,根据电流噪声程度进行后续操作处理。
进一步需要说明的是,壁挂储能电源的工作的过程中是将直流电和交流电之间相互转换后使用,壁挂储能电源在充放电时使用的是交流电,而将壁挂储能电源接入电网后,电网中的壁挂储能电流数据所含的成分会更加复杂,例如:用电设备产生的噪声会同时存在壁挂储能电流数据中;比如热噪声是由于电阻、导线和其他器件的内部热运动引起的。在壁挂储能电流数据经过EMD分解后得到的若干IMF分量中,由于其中的基波分量是最基本的IMF分量,所以可以通过基波分量对应的变化关系得到每个IMF分量对应的变化关系;正常情况下,由于基波分量中数据的变化曲线是一个正弦波状,但是由于噪声的存在,导致壁挂储能电流数据中的基波分量中数据的变化曲线发生畸变。同时由于谐波分量的频率是基波分量的整数倍,所以基波分量的改变也会间接导致谐波分量受到影响,从而导致壁挂储能电流数据的变化失去原有的特性。由于噪声对壁挂储能电流数据中的各个IMF分量影响程度表现得并不统一,所以需要获得壁挂储能电流数据中各个IMF分量的电流噪声程度,通过对壁挂储能电流数据进行去噪,这样才能保证后续监测结果的准确性。
更进一步需要说明的是,当壁挂储能电流数据中存在噪声时,会使得壁挂储能电流数据中的部分IMF分量局部区域曲线造成波动和扭曲,从而失去了原有的正弦曲线变化的特性,但是由于噪声的干扰并不会造成壁挂储能电流数据的总体变化,通过壁挂储能电流数据中各个IMF分量的总体特征对噪声信号进行分析;由于噪声信号的影响是对壁挂储能电流数据的局部变化,但是对于壁挂储能电流数据整体的变化是比较趋于一致的,所以可以通过各个IMF分量的极大值的分布和变化情况来反映各个IMF分量的变化总体特征。
具体的,对壁挂储能电流数据序列进行EMD分解,得到若干IMF分量,将该IMF分量的曲线形式,记为IMF变化曲线;预设一个拐点范围,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定;以任意一个IMF分量为例,获取该IMF变化曲线的若干极大值拐点,记为第一极大拐点;以任意一个第一极大拐点为例,将该第一极大拐点之前共/>个第一极大拐点与该第一极大拐点之后共/>个第一极大拐点,记为该第一极大拐点的第二极大拐点;在该第一极大拐点的所有第二极大拐点中,获取前后相邻的两个第一极大拐点(包括该第一极大拐点及其所有的第二极大拐点)之间横坐标的欧式距离,记为第一极大拐点的第一欧式距离;获取该第一极大拐点的所有第一欧式距离。其中EMD分解算法、极大值拐点及欧式距离的获取是公知技术,本实施例不进行叙述;每个IMF分量对应一个IMF变化曲线;每个第二极大拐点对应一个第一极大拐点,每个IMF变化曲线对应一个IMF分量。需要说明的是,若在获取该第一极大拐点的第二极大拐点的过程中,若该第一极大拐点前后的第一极大拐点数量不满足拐点范围/>时,以实际第一极大拐点的数量获取第二极大拐点。
进一步的,根据该第一极大拐点的所有第一欧式距离得到该第一极大拐点的目标极大可能性;其中该第一极大拐点的目标极大可能性的计算方法为:
;
式中,表示该第一极大拐点的目标极大可能性;/>表示该第一极大拐点的所有第一欧式距离的均值;/>表示在该第一极大拐点所属的IMF变化曲线中,所有相邻第一极大拐点之间欧式距离的数量,其中相邻第一极大拐点之间欧式距离的计算方法同样为相邻两个第一极大拐点横坐标之间的欧式距离;/>表示在该第一极大拐点所属的IMF变化曲线中,第/>个相邻第一极大拐点之间的欧式距离;/>表示该第一极大拐点的所有第一欧式距离的最大值;/>表示该第一极大拐点的所有第一欧式距离的最小值;/>表示该第一极大拐点的幅值。其中若/>越大,说明该第一极大拐点与对应的第二极大拐点之间距离越大,反映该第一极大拐点越属于间隔较大的拐点,而不是间隔较小分布密集的拐点,该第一极大拐点的目标极大可能性越大。
进一步的,获取该IMF变化曲线上所有第一极大拐点的目标极大可能性,对所有第一极大拐点的目标极大可能性进行线性归一化处理,将处理后的每个第一极大拐点的目标极大可能性记为目标第一可能性;预设一个目标第一可能性阈值T2,其中本实施例以T2=0.7为例进行叙述,本实施例不进行具体限定,其中T2可根据具体实施情况而定;以该IMF变化曲线上任意一个第一极大拐点为例,若该第一极大拐点的目标第一可能性大于等于目标第一可能性阈值T2,则将该第一极大拐点记为第一目标拐点;若该第一极大拐点的目标第一可能性小于目标第一可能性阈值T2,则不做任何处理。获取该IMF变化曲线上所有第一目标拐点;获取每个IMF变化曲线上所有第一目标拐点。
进一步的,以任意一个IMF分量的IMF变化曲线为例,获取该IMF变化曲线的若干极小值拐点,记为第一极小拐点;以任意一个第一极小拐点为例,将该第一极小拐点之前共个第一极小拐点与该第一极小拐点之后共/>个第一极小拐点,记为该第一极小拐点的第二极小拐点;在该第一极小拐点的所有第二极小拐点中,获取前后相邻的两个第一极小拐点(包括该第一极大拐点及其所有的第二极大拐点)之间横坐标的欧式距离,记为第一极小拐点的第二欧式距离;获取该第一极小拐点的所有第二欧式距离。其中每个第二极小拐点对应一个第一极小拐点。需要说明的是,若在获取该第一极小拐点的第二极小拐点的过程中,若该第一极小拐点前后的第一极小拐点数量不满足拐点范围/>时,以实际第一极小拐点的数量获取第二极小拐点。
进一步的,根据该第一极小拐点的所有第二欧式距离得到该第一极小拐点的目标极小可能性;其中该第一极小拐点的目标极小可能性的计算方法为:
;
式中,表示该第一极小拐点的目标极小可能性;/>表示该第一极小拐点的所有第二欧式距离的均值;/>表示在该第一极小拐点所属的IMF变化曲线中,所有相邻第一极小拐点之间欧式距离的数量,其中相邻第一极小拐点之间欧式距离的计算方法同样为相邻两个第一极小拐点横坐标之间的欧式距离;/>表示在该第一极小拐点所属的IMF变化曲线中,第个相邻第一极小拐点之间的欧式距离;/>表示该第一极小拐点的所有第二欧式距离的最大值;/>表示该第一极小拐点的所有第二欧式距离的最小值;/>表示该第一极小拐点的幅值。其中若/>越大,说明该第一极小拐点与对应的第二极小拐点之间距离越大,反映该第一极小拐点越属于间隔较大的拐点,而不是间隔较小分布密集的拐点,该第一极小拐点的目标极小可能性越大。
进一步的,获取该IMF变化曲线上所有第一极小拐点的目标极小可能性,对所有第一极小拐点的目标极小可能性进行线性归一化处理,将处理后的每个第一极小拐点的目标极小可能性记为目标第二可能性;预设一个目标第二可能性阈值T3,其中本实施例以T3=0.3为例进行叙述,本实施例不进行具体限定,其中T3可根据具体实施情况而定;以该IMF变化曲线上任意一个第一极小拐点为例,若该第一极小拐点的目标第二可能性大于等于目标第二可能性阈值T3,则将该第一极小拐点记为第二目标拐点;若该第一极小拐点的目标第二可能性小于目标第二可能性阈值T3,则不做任何处理。获取该IMF变化曲线上所有第二目标拐点;获取每个IMF变化曲线上所有第二目标拐点。
至此,通过上述方法得到每个IMF变化曲线上所有第一目标拐点与所有第二目标拐点。
步骤S003:根据第一目标拐点与第二目标拐点得到目标拐点对;根据目标拐点对得到若干特征值;对壁挂储能电流数据序列进行小波变换得到若干小波分量;根据IMF分量与小波分量得到IMF参考分量以及小波参考分量;根据IMF分量与IMF参考分量得到IMF分量的电流噪声程度;根据小波分量与小波参考分量得到小波分量的电流噪声程度。
需要说明的是,由于EMD分解和小波变换都是将原始信号分解为不同的分量,由于分解后的分量信号中电流噪声程度未知,所以可以通过寻找二者之间分量信号特征相近的分量来确定电流噪声程度,将二者分解结果中特征相近的分量作为各自分解结果的参考分量,从而得到各自分量与参考分量的差异,得到参考分量和目标分量的差异,即电流噪声程度。因为从单一的方法去评价壁挂储能电流数据的电流噪声程度缺乏对照性,可能会影响评价结果的准确性,因而通过再对比二者之间电流噪声程度相近的分量,从而修正电流噪声程度,使电流噪声程度更准确;进而获取总体的电流噪声程度,从而对壁挂储能电流数据进行自适应小波阈值去噪,方便后续对处理过的电流分量进行监测。
具体的,以任意一个IMF分量为例,将该IMF分量的IMF变化曲线上的第一目标拐点与第二目标拐点,共同记为目标拐点;将前后相邻两个目标拐点记为该IMF分量的IMF变化曲线的目标拐点对;将目标拐点对内的两个目标拐点幅值的差值的绝对值记为目标拐点对的幅值绝对值;获取该IMF分量的IMF变化曲线的所有目标拐点对以及对应的幅值绝对值;根据该IMF分量的所有目标拐点对得到该IMF分量的特征值;其中该IMF分量的特征值的计算方法为:
;
式中,表示该IMF分量的特征值;/>表示在该IMF分量的IMF变化曲线上,所有第一目标拐点的幅值的均值;/>表示在该IMF分量的IMF变化曲线上,所有第二目标拐点的幅值的均值;/>表示该IMF分量的IMF变化曲线中目标拐点对的数量;/>表示在该IMF分量的IMF变化曲线上,第/>个目标拐点对的幅值绝对值;其中若目标拐点对的数量越多,且对应的幅值绝对值越大,则该IMF分量的特征值越大,说明该IMF分量的变化区间越大,该IMF分量的分量信号特征,目标拐点的局部变化程度越大。获取所有IMF分量的特征值。
进一步的,对壁挂储能电流数据序列进行小波变换得到若干分量,记为小波分量;参考每个IMF分量的特征值的获取方法,得到每个小波分量目标拐点对及对应的幅值绝对值,并得到每个小波分量的特征值。以任意一个IMF分量为例,将该IMF分量的特征值与每个小波分量特征值的差值的绝对值记为该IMF分量的第一差值;获取该IMF分量的所有第一差值;在该IMF分量的所有第一差值中,将最小的第一差值对应的小波分量记为该IMF分量的匹配小波分量,并将该第一差值记为该IMF分量与匹配小波分量的第二差值;获取每个IMF分量的匹配小波分量以及对应的第二差值;将第二差值最小对应的IMF分量记为所有IMF分量的IMF参考分量;将第二差值最小对应的小波分量记为所有小波分量的小波参考分量;同理,根据IMF分量与小波分量之间的第一差值,对于任意一个小波分量,将与该小波分量的所有第一差值中最小的IMF分量记为该小波分量的IMF匹配分量,获取每个小波分量的IMF匹配分量。其中小波分量的获取是小波变换的公知内容,小波变换是公知技术,本实施例不进行叙述;其中小波分量数量与IMF分量的数量不一定一致;每个IMF分量对应一个匹配小波分量,每个小波分量对应一个IMF匹配分量。
进一步的,以任意一个IMF分量为例,获取该IMF分量与IMF参考分量的皮尔逊相关系数;根据该IMF分量与IMF参考分量的特征值,以及皮尔逊相关系数得到该IMF分量的电流噪声程度;其中皮尔逊相关系数的获取是公知技术,本实施例不进行叙述;该IMF分量的电流噪声程度的计算方法为:
;
式中,表示该IMF分量的电流噪声程度;/>表示该IMF分量与IMF参考分量的皮尔逊相关系数;/>表示该IMF分量的特征值;/>表示IMF参考分量的特征值。获取每个IMF分量的电流噪声程度。
进一步的,以任意一个小波分量为例,获取该小波分量与小波参考分量的皮尔逊相关系数;根据该小波分量与小波参考分量的特征值,以及皮尔逊相关系数得到该小波分量的电流噪声程度;其中皮尔逊相关系数的获取是公知技术,本实施例不进行叙述;该小波分量的电流噪声程度的计算方法为:
;
式中,表示该小波分量的电流噪声程度;/>表示该小波分量与小波参考分量的皮尔逊相关系数;/>表示该小波分量的特征值;/>表示小波参考分量的特征值。获取每个小波分量的电流噪声程度。
至此,通过上述方法得到每个IMF分量的电流噪声程度以及每个小波分量的电流噪声程度。
步骤S004:根据小波分量的电流噪声程度与IMF分量的电流噪声程度得到小波分量的电流噪声校正值;根据电流噪声校正值得到小波分量的自适应电流小波阈值;根据自适应电流小波阈值进行自适应去噪,进行异常监测。
具体的,将每个小波分量的曲线形式记为小波分量的变化曲线,以任意一个小波分量为例,根据该小波分量的电流噪声程度以及对应的IMF分量的电流噪声程度得到该小波分量的电流噪声校正值;其中该小波分量的噪声校正值的计算方法为:
;
式中,表示该小波分量的电流噪声校正值;/>表示该小波分量的IMF匹配分量的IMF变化曲线中目标拐点对的数量;/>表示在该小波分量的IMF匹配分量的IMF变化曲线上,第/>个目标拐点对的幅值绝对值;/>表示该小波分量的变化曲线中目标拐点对的数量;表示在该小波分量的变化曲线上,第/>个目标拐点对的幅值绝对值;/>表示该小波分量对应的IMF分量的电流噪声程度;/>表示该小波分量的电流噪声程度。
进一步的,获取每个小波分量的电流噪声校正值,对每个小波分量的电流噪声校正值进行线性归一化处理,将处理后的每个小波分量的电流噪声校正值记为每个小波分量的最终电流系数;以任意一个小波分量为例,根据该小波分量的最终电流系数得到该小波分量的自适应电流小波阈值;其中该小波分量的自适应电流小波阈值的计算方法为:
;
式中,表示该小波分量的自适应电流小波阈值;/>表示该小波分量的电流噪声校正值;/>表示初始小波阈值,是超参数,本实施例预设/>。
进一步的,获取每个小波分量的自适应电流小波阈值,对每个小波分量的自适应电流小波阈值进行小波变换,得到若干去噪后的小波分量;将所有去噪后的小波分量进行合成重构得到去噪后的壁挂储能电流数据序列;将去噪后的壁挂储能电流数据序列输入异常监测系统中,并以10秒进行一次更新,实时更新得到最新的壁挂储能电流数据序列,进行异常监测以及异常处理。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于数据处理的壁挂储能电源运行监测方法,其特征在于,该方法包括以下步骤:
采集壁挂储能电源的壁挂储能电流数据序列;
对壁挂储能电流数据序列进行分解得到若干IMF分量;根据IMF分量得到每个IMF分量的IMF变化曲线;根据IMF变化曲线得到若干第一极大拐点以及若干第一极小拐点;根据第一极大拐点的距离差异得到每个第一极大拐点的目标极大可能性;根据目标极大可能性得到若干第一目标拐点;根据第一极小拐点的距离差异得到每个第一极小拐点的目标极小可能性;根据目标极小可能性得到若干第二目标拐点;
根据第一目标拐点与第二目标拐点得到每个IMF分量的目标拐点对;根据目标拐点对得到每个IMF分量的特征值;对壁挂储能电流数据序列进行变换分解得到若干小波分量,获取每个小波分量的变化曲线、拐点对及特征值;根据IMF分量与小波分量得到IMF参考分量以及小波参考分量;根据IMF分量的特征值与IMF参考分量的特征值得到每个IMF分量的电流噪声程度;获取小波参考分量的特征值以及每个小波分量的特征值;根据小波分量的特征值与小波参考分量的特征值得到每个小波分量的电流噪声程度;
根据小波分量的电流噪声程度与IMF分量的电流噪声程度得到每个小波分量的电流噪声校正值;根据电流噪声校正值得到每个小波分量的自适应电流小波阈值;根据自适应电流小波阈值进行自适应去噪,进行异常监测。
2.根据权利要求1所述一种基于数据处理的壁挂储能电源运行监测方法,其特征在于,所述根据第一极大拐点的距离差异得到每个第一极大拐点的目标极大可能性,包括的具体方法为:
将任意一个第一极大拐点记为目标第一极大拐点,将目标第一极大拐点之前一半预设拐点范围个第一极大拐点与目标第一极大拐点之后一半预设拐点范围个第一极大拐点,记为目标第一极大拐点的第二极大拐点;
在目标第一极大拐点的所有第二极大拐点中,获取前后相邻两个的第一极大拐点之间横坐标的欧式距离,记为第一极大拐点的第一欧式距离;
;
式中,表示目标第一极大拐点的目标极大可能性;/>表示目标第一极大拐点的所有第一欧式距离的均值;/>表示在目标第一极大拐点所属的IMF变化曲线中,所有相邻第一极大拐点之间欧式距离的数量,所述相邻第一极大拐点之间欧式距离的计算方法为计算相邻两个第一极大拐点横坐标之间的欧式距离;/>表示在目标第一极大拐点所属的IMF变化曲线中,第/>个相邻第一极大拐点之间的欧式距离;/>示目标第一极大拐点的所有第一欧式距离的最大值;/>表示目标第一极大拐点的所有第一欧式距离的最小值;/>表示目标第一极大拐点的幅值;
获取每个第一极大拐点的目标极大可能性。
3.根据权利要求1所述一种基于数据处理的壁挂储能电源运行监测方法,其特征在于,所述根据第一极小拐点的距离差异得到每个第一极小拐点的目标极小可能性,包括的具体方法为:
将任意一个第一极小拐点记为目标第一极小拐点,将目标第一极小拐点之前一半预设拐点范围个第一极小拐点与目标第一极小拐点之后一半预设拐点范围个第一极小拐点,记为目标第一极小拐点的第二极小拐点;
在目标第一极小拐点的所有第二极小拐点中,获取前后相邻两个的第一极小拐点之间横坐标的欧式距离,记为第一极小拐点的第二欧式距离;
;
式中,表示目标第一极小拐点的目标极小可能性;/>表示目标第一极小拐点的所有第二欧式距离的均值;/>表示在目标第一极小拐点所属的IMF变化曲线中,所有相邻第一极小拐点之间欧式距离的数量,所述相邻第一极小拐点之间欧式距离的计算方法为计算相邻两个第一极小拐点横坐标之间的欧式距离;/>表示在目标第一极小拐点所属的IMF变化曲线中,第/>个相邻第一极小拐点之间的欧式距离;/>表示目标第一极小拐点的所有第二欧式距离的最大值;/>表示目标第一极小拐点的所有第二欧式距离的最小值;/>表示目标第一极小拐点的幅值;
获取每个第一极小拐点的目标极小可能性。
4.根据权利要求1所述一种基于数据处理的壁挂储能电源运行监测方法,其特征在于,所述根据第一目标拐点与第二目标拐点得到每个IMF分量的目标拐点对,包括的具体方法为:
对于任意一个IMF分量,将IMF分量的IMF变化曲线上的第一目标拐点与第二目标拐点,共同记为目标拐点;将前后相邻两个的目标拐点记为IMF分量的IMF变化曲线的目标拐点对;将目标拐点对内的两个目标拐点幅值的差值的绝对值记为目标拐点对的幅值绝对值;
获取每个IMF分量的IMF变化曲线的所有目标拐点对。
5.根据权利要求4所述一种基于数据处理的壁挂储能电源运行监测方法,其特征在于,所述根据目标拐点对得到每个IMF分量的特征值,包括的具体方法为:
;
将任意一个IMF分量记为目标IMF分量,式中,表示目标IMF分量的特征值;/>表示在目标IMF分量的IMF变化曲线上,所有第一目标拐点的幅值的均值;/>表示在目标IMF分量的IMF变化曲线上,所有第二目标拐点的幅值的均值;/>表示目标IMF分量的IMF变化曲线中目标拐点对的数量;/>表示在目标IMF分量的IMF变化曲线上,第/>个目标拐点对的幅值绝对值。
6.根据权利要求1所述一种基于数据处理的壁挂储能电源运行监测方法,其特征在于,所述根据IMF分量与小波分量得到IMF参考分量以及小波参考分量,包括的具体方法为:
将任意一个IMF分量记为目标IMF分量,将目标IMF分量的特征值与每个小波分量特征值的差值的绝对值记为目标IMF分量的第一差值;获取目标IMF分量的所有第一差值;在目标IMF分量的所有第一差值中,将最小的第一差值对应的小波分量记为目标IMF分量的匹配小波分量,并将目标第一差值记为目标IMF分量与匹配小波分量的第二差值;获取每个IMF分量的匹配小波分量以及对应的第二差值;将第二差值最小对应的IMF分量记为所有IMF分量的IMF参考分量;将第二差值最小对应的小波分量记为所有小波分量的小波参考分量;
将任意一个小波分量记为目标小波分量,将与目标小波分量的所有第一差值中最小的IMF分量记为目标小波分量的IMF匹配分量,获取每个小波分量的IMF匹配分量。
7.根据权利要求1所述一种基于数据处理的壁挂储能电源运行监测方法,其特征在于,所述根据IMF分量的特征值与IMF参考分量的特征值得到每个IMF分量的电流噪声程度,包括的具体方法为:
;
将任意一个IMF分量记为目标IMF分量,式中,表示目标IMF分量的电流噪声程度;/>表示目标IMF分量与IMF参考分量的皮尔逊相关系数;/>表示目标IMF分量的特征值;/>表示IMF参考分量的特征值;
获取每个IMF分量的电流噪声程度。
8.根据权利要求1所述一种基于数据处理的壁挂储能电源运行监测方法,其特征在于,所述根据小波分量的特征值与小波参考分量的特征值得到每个小波分量的电流噪声程度,包括的具体方法为:
;
将任意一个小波分量记为目标小波分量,式中,表示目标小波分量的电流噪声程度;表示目标小波分量与小波参考分量的皮尔逊相关系数;/>表示目标小波分量的特征值;表示小波参考分量的特征值;
获取每个小波分量的电流噪声程度。
9.根据权利要求4或6所述一种基于数据处理的壁挂储能电源运行监测方法,其特征在于,所述根据小波分量的电流噪声程度与IMF分量的电流噪声程度得到每个小波分量的电流噪声校正值,包括的具体方法为:
;
将任意一个小波分量记为目标小波分量,式中,表示目标小波分量的电流噪声校正值;/>表示目标小波分量的IMF匹配分量的IMF变化曲线中目标拐点对的数量;/>表示在目标小波分量的IMF匹配分量的IMF变化曲线上,第/>个目标拐点对的幅值绝对值;/>表示目标小波分量的变化曲线中目标拐点对的数量;/>表示在目标小波分量的变化曲线上,第/>个目标拐点对的幅值绝对值;/>表示目标小波分量对应的IMF分量的电流噪声程度;表示目标小波分量的电流噪声程度。
10.根据权利要求1所述一种基于数据处理的壁挂储能电源运行监测方法,其特征在于,所述根据电流噪声校正值得到每个小波分量的自适应电流小波阈值;根据自适应电流小波阈值进行自适应去噪,进行异常监测,包括的具体方法为:
;
将任意一个小波分量记为目标小波分量,式中,表示目标小波分量的自适应电流小波阈值;/>表示目标小波分量的电流噪声校正值;/>表示初始小波阈值;
对每个小波分量的自适应电流小波阈值进行小波变换,得到若干去噪后的小波分量;将所有去噪后的小波分量进行合成重构得到去噪后的壁挂储能电流数据序列;将去噪后的壁挂储能电流数据序列输入异常监测系统中,并以10秒进行一次更新,实时更新得到最新的壁挂储能电流数据序列,进行异常监测以及异常处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311244722.7A CN116992270B (zh) | 2023-09-26 | 2023-09-26 | 一种基于数据处理的壁挂储能电源运行监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311244722.7A CN116992270B (zh) | 2023-09-26 | 2023-09-26 | 一种基于数据处理的壁挂储能电源运行监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116992270A true CN116992270A (zh) | 2023-11-03 |
CN116992270B CN116992270B (zh) | 2024-01-09 |
Family
ID=88530466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311244722.7A Active CN116992270B (zh) | 2023-09-26 | 2023-09-26 | 一种基于数据处理的壁挂储能电源运行监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116992270B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494028A (zh) * | 2023-12-29 | 2024-02-02 | 山东国华科技发展有限公司 | 一种用于储能电站的储能数据异常检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093724A (zh) * | 2016-06-20 | 2016-11-09 | 山东大学 | 一种基于混合粒子群的局部放电小波去噪方法 |
KR101842792B1 (ko) * | 2016-10-05 | 2018-03-27 | 국방과학연구소 | 경험적 모드 분해 기법 및 웨이블릿 잡음 제거 기법 기반의 항재밍 방법 및 시스템 |
CN112990139A (zh) * | 2021-04-29 | 2021-06-18 | 青岛科技大学 | 基于变模态分解加权重构信号结合小波阈值去噪方法 |
CN113476074A (zh) * | 2021-07-02 | 2021-10-08 | 泉州师范学院 | 基于智能穿戴系统的肺音实时监测方法 |
CN113712526A (zh) * | 2021-09-30 | 2021-11-30 | 四川大学 | 一种脉搏波提取方法、装置、电子设备及存储介质 |
CN114676734A (zh) * | 2022-04-07 | 2022-06-28 | 西南石油大学 | 一种基于wpd-emd-wpd的微震信号降噪方法 |
CN116626408A (zh) * | 2023-07-25 | 2023-08-22 | 陕西威思曼高压电源股份有限公司 | 基于机器学习的电源纹波噪声检测方法 |
-
2023
- 2023-09-26 CN CN202311244722.7A patent/CN116992270B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093724A (zh) * | 2016-06-20 | 2016-11-09 | 山东大学 | 一种基于混合粒子群的局部放电小波去噪方法 |
KR101842792B1 (ko) * | 2016-10-05 | 2018-03-27 | 국방과학연구소 | 경험적 모드 분해 기법 및 웨이블릿 잡음 제거 기법 기반의 항재밍 방법 및 시스템 |
CN112990139A (zh) * | 2021-04-29 | 2021-06-18 | 青岛科技大学 | 基于变模态分解加权重构信号结合小波阈值去噪方法 |
CN113476074A (zh) * | 2021-07-02 | 2021-10-08 | 泉州师范学院 | 基于智能穿戴系统的肺音实时监测方法 |
CN113712526A (zh) * | 2021-09-30 | 2021-11-30 | 四川大学 | 一种脉搏波提取方法、装置、电子设备及存储介质 |
CN114676734A (zh) * | 2022-04-07 | 2022-06-28 | 西南石油大学 | 一种基于wpd-emd-wpd的微震信号降噪方法 |
CN116626408A (zh) * | 2023-07-25 | 2023-08-22 | 陕西威思曼高压电源股份有限公司 | 基于机器学习的电源纹波噪声检测方法 |
Non-Patent Citations (2)
Title |
---|
XIN LI ET AL: ""A denoising method of coal charge signal under load based on IWT and ICEEMDAN "algorithm", 《RESEARCH SQUARE》, pages 1 - 18 * |
宋启航: ""基于模态分解技术的地震信号去噪方法研究"", 《中国优秀硕士学位论文全文数据库(基础科学辑)》, no. 3, pages 011 - 179 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494028A (zh) * | 2023-12-29 | 2024-02-02 | 山东国华科技发展有限公司 | 一种用于储能电站的储能数据异常检测方法及系统 |
CN117494028B (zh) * | 2023-12-29 | 2024-04-19 | 山东国华科技发展有限公司 | 一种用于储能电站的储能数据异常检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116992270B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116992270B (zh) | 一种基于数据处理的壁挂储能电源运行监测方法 | |
CA2401685C (en) | Complex signal decomposition and modeling | |
CN117093879A (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN112215479B (zh) | 一种基于自适应收缩岭回归的电表反窃电分析方法 | |
CN110912091B (zh) | 一种柔性直流输电线路单端行波超高速保护系统及方法 | |
CN103968937B (zh) | 一种基于emd样本熵和fcm的配电开关机械状态诊断方法 | |
CN109649432B (zh) | 基于导波技术的云端平台钢轨完整性监测系统及方法 | |
CN109799434A (zh) | 局部放电模式识别系统及方法 | |
CN111695620B (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
CN115902647B (zh) | 一种电池状态智能监测方法 | |
CN112180341B (zh) | 一种背景自适应cfar算法选择的实现方法 | |
CN116008714B (zh) | 一种基于智能量测终端的反窃电分析方法 | |
TW202134680A (zh) | 電池性能評鑑方法及電池性能評鑑裝置 | |
CN116304956A (zh) | 一种芯片温度异常在线检测方法 | |
CN117290788B (zh) | 一种基于改进小波变换算法的配电网故障辨识方法及系统 | |
CN112285665B (zh) | 信号的检波方法、装置、毫米波雷达模块、设备及介质 | |
CN108333443B (zh) | 电力设备间歇性缺陷的报警方法 | |
CN116961242B (zh) | 一种一二次融合柱上断路器实时数据管理方法及系统 | |
CN114745027A (zh) | 电力线通信脉冲噪声识别方法和系统、存储介质 | |
CN111352365B (zh) | 一种防尘通风型电力电气设备机柜及控制方法 | |
CN114201991A (zh) | 一种基于超声传感器阵列的局放信号检测方法和系统 | |
CN110133364B (zh) | 一种负载开关事件检测的方法和装置 | |
JPWO2020046536A5 (zh) | ||
CN109409726A (zh) | 一种基于二维离散模糊数的非侵入式负荷辨识方法 | |
CN115291652B (zh) | 一种评估集中器cpu体质的动态评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |